遥感场景分类在军事、城镇规划等领域具有重要的应用,大部分已有的分类方法主要基于深度学习。然而,传统的深度学习方法过度依赖有标注的数据,一旦有标注的数据不足,那么模型无法在测试样本上取得好的泛化效果。随着卫星遥感技术的发展,大量数据的获取不再是阻碍模型性能提升的关键,问题的关键在于如何对大量数据进行标注。遥感场景图像的标注需要具备专业知识的人完成,因此会耗费较高的人力成本。此外,遥感场景图像具有两大特点,首先是遥感场景图像的某些类别存在低类内相似度,低类间差异性的表现;其次,具有判别性特征的目标区域尺度差异较大,无法学习到足够好的表征。小样本学习可以很好地解决有标注样本量少的情况下的图像分类问题,利用先验知识将已获得的分类能力迁移到只有少量标注样本的新类别分类任务上。当前已有一些学者同样关注到了小样本学习的优势,对小样本分类任务进行研究。但他们往往只关注类内相似度低,类间相似度高的问题,忽略了多尺度特征融合对于提升特征提取模型性能的重要性。因此,为了解决上述问题,本文尝试将对比学习和小样本分类任务的第一阶段结合,构成一个多任务模型,共同学习一个高性能的特征提取模型。本文的主要研究内容和贡献如下:提出了基于自监督对比学习的小样本遥感场景分类方法,其中自监督对比学习方法能够改善部分遥感场景类内相似度较低,类间相似度较高的问题,而且能够提高对已有数据的利用率,不借助任何标注信息就能辅助小样本学习方法学习图像的表征。为了训练这个多任务模型,本文结合对比损失和交叉熵损失函数提出了合适的目标函数,通过实验选取固定的权重因子来平衡对比学习任务和小样本分类任务的损失。此外,本文提出了新的注意力机制,其中空间注意力模块利用不同大小的卷积核并行操作来融合多尺度图像特征。通过与其他经典的小样本学习方法对比发现,本文的方法在大多数情况下效果都是最好的,引入了自监督对比学习和注意力机制使得模型性能有了明显的提升。将本文的注意力机制与常用的其他注意力机制相比,可以发现本文的注意力机制更适用于遥感场景分类任务。鉴于小样本分类任务是有监督学习任务,已知训练数据的标签,为了能够合理利用标注信息,本文还利用孪生网络结构提出了基于特定类对比学习的小样本遥感场景分类方法。通过提高类内样本的相似度,增大类间样本的差异性来完成特定类别的对比学习任务。此外,本文使用可学习的权重因子平衡对比损失和交叉熵分类损失。为了融合多尺度图像特征,在原特征编码器的基础上,引入了特征金字塔,但通过实验发现,特征金字塔的效果不如本文提出的注意力机制。与大量先进的小样本分类方法比较得出,本文的模型在大部分情况下都能取得最优的效果,而且基于特定类别的对比学习比传统自监督对比学习效果更好。